第三部分：深度學習 vs SLAM
SLAM 小組討論真是樂趣無窮。在我們進入重要的「深度學習 vs SLAM」討論之前，我應該說明每一位研討會展示者都同意：語義對構建更大更好的 SLAM 系統是必需的。關於未來的方向，這里有很多有趣的小對話。在爭論中，Marc Pollefeys（一位知名的 SfM 和多視角幾何研究者）提醒所有人「機器人是 SLAM 的一個殺手級應用」，並建議我們保持對「大獎」的關注。這令人非常驚訝，因為 SLAM 傳統上是適用於機器人問題的，但過去幾十年機器人並沒有什么成功（谷歌機器人？），導致 SLAM 的關注重點從機器人轉移到了大規模地圖構建（包括谷歌地圖）和增強現實上。研討會上沒人談論過機器人。
1.將語義信息集成到 SLAM 中
人們對將語義整合到今天最出色的 SLAM 系統中有很大興趣。當涉及語義時， SLAM 社區不幸地卡在了視覺詞袋（bags-of-visual-words）的世界里，而在如何將語義信息整合進他們的系統上沒有什么新想法。在語義一端，我們現在已經看到 CVPR/ICCV/ECCV 上冒出了很多實時語義分割演示（基於卷積神經網絡）；在我看來，SLAM 需要深度學習，而深度學習也一樣需要 SLAM。